Artículo Arbitrado
Características del Método Delphi Difuso como Extensión del
Enfoque Delphi
Characteristics of the Fuzzy Delphi Method as an Extension of the
Delphi Approach
Fecha de recepción: marzo 2024
Fecha de aceptación: mayo 2024
Daniel Rodríguez-Salgado1, Juan Oscar Ollivier- Fierro2, Celia Viridiana Valenzuela
Lozoya3
1. Instituto Tecnológico de Chihuahua (Dpto. de Económico Administrativo e Ingeniería
Eléctrica y Electrónica) (México); correo: daniel.rs@chihuahua.tecnm.mx celular: 614
1515 160
2. Facultad de Contaduría y Administración, Universidad Autónoma de Chihuahua
(México); correo: jollivier@uach.mx celular: 6141892079
3. Facultad de Contaduría y Administración, Universidad Autónoma de Chihuahua
(México), correo: cvalenzuela@uach.mx celular: 6141287673
Correspondencia: Daniel Rodríguez-Salgado
Teléfono: 614 1515 160
Correo: daniel.rs@chihuahua.tecnm.mx
Volumen. 6 Año 2024 e1488 eISSN:2992-8508
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
1
Resumen
Se examinan las particularidades del Método Delphi Difuso (FDM) como una
extensión del enfoque Delphi (D), con el propósito de mejorar la capacidad para
alcanzar consenso y reducir el tiempo necesario para las iteraciones. Este estudio
se enfoca en analizar las características distintivas del FDM, especialmente en su
aplicación dentro del contexto de los Métodos de Toma de Decisiones Multicriterio
(MCDM), los cuales son herramientas diseñadas para evaluar múltiples alternativas
dentro del proceso de toma de decisiones organizacionales. La originalidad de este
estudio radica en su enfoque didáctica, dirigido principalmente a profesionales y
estudiantes de las Ciencias Administrativas. Se pretende también hacer accesibles
los conceptos de Lógica Difusa y Métodos de Toma de Decisiones, describiendo
áreas específicas donde pueden ser implementados con éxito como en Recursos
Humanos, Transferencia Tecnológica o Políticas Públicas. A través de un análisis
comparativo, se evidencia como el FDM amplía las capacidades del enfoque Delphi
al integrar la Lógica Difusa. Esto permite una evaluación más flexible y precisa de
las opiniones de los expertos, especialmente en situaciones de gestión y
administración.
Palabras Clave: Delphi Difuso, Delphi, Métodos de Decisión Multicriterio,
Toma de Decisiones, Número Triangular Difuso.
Abstract
The particularities of the Fuzzy Delphi Method (FDM) are examined as an
extension of the Delphi approach (D), aiming to enhance consensus-building
capabilities and reduce the time required for iterations. This study focuses on
analyzing the distinct features of the FDM, particularly in its applications within the
context of Multicriteria Decision-Making Methods (MCDM), which are tools designed
to evaluate multiple alternatives within the organizational decision-making process.
The originality of this study lies in its didactic approach, primarily aimed at
professionals and students in Administrative Sciences. It also aims to make the
concepts of Fuzzy Logic and Decision-Making Methods accessible by describing
specific areas where they can be successfully implemented such as in Human
Resources, Technology Transfer or Public Policies. Through a comparative analysis,
it is demonstrated how the FDM expands the capabilities of the Delphi approach by
integrating Fuzzy Logic. This allows for a more flexible and precise evaluation of
expert opinions, especially in management and administrative situations.
Keywords: Fuzzy Delphi, Delphi, Multi-Criteria Decision Making, Decision
Making, Triangular Fuzzy Number
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
2
Objetivos de la investigación
General
Evaluar la efectividad del método Delphi Difuso (FDM) en comparación con
el método Delphi tradicional
Específicos
Determinar la precisión de las evaluaciones y el nivel de consenso entre los
expertos utilizando el FDM en comparación con el método Delphi tradicional.
Identificar la eficacia de integrar metodologías multicriterio (MCDM) con el
FDM para jerarquizar, correlacionar y encontrar causalidad entre las variables
en los cuestionarios
Justificación de la investigación
La creciente complejidad en la toma de decisiones en investigación y el
ámbito empresarial ha impulsado la evolución de metodologías como el método
Delphi Difuso (FDM). A diferencia del método Delphi tradicional, el FDM incorpora
la lógica difusa, permitiendo abordar la incertidumbre y la ambigüedad inherentes
en las opiniones de los expertos. Esta capacidad de tratar con mayor precisión la
variabilidad en las respuestas es crucial en contextos donde la claridad y el
consenso son fundamentales para la validez de los resultados.
Evaluar la efectividad del FDM en comparación con el método Delphi
tradicional es necesario para comprender cómo estas mejoras impactan en la
precisión de las evaluaciones y en el nivel de consenso alcanzado entre los
expertos. Autores como Saffie et al. (2016) sugieren realizar comparativas entre
ambos métodos, considerando la precisión, el consenso, la sensibilidad de los
resultados, y los recursos necesarios para su implementación. Esto es vital para
validar la aplicabilidad y eficiencia del FDM en diversas áreas de estudio.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
3
Además, la integración de metodologías multicriterio (MCDM) con el FDM
presenta una oportunidad para enriquecer los análisis. Métodos como el Proceso
Analítico Jerárquico (AHP), el Modelo Estructural Interpretativo (ISM) y la Técnica
de Preferencia por Orden de Similitud con la Solución Ideal (TOPSIS) permiten
jerarquizar, correlacionar y encontrar causalidad entre variables, proporcionando
una visión más holística y detallada de los problemas investigados.
La implementación de estas metodologías mejoradas no solo optimiza la
toma de decisiones sino que también amplía su aplicabilidad en diversas disciplinas,
incluyendo la planeación estratégica, la evaluación de proveedores y la selección
de inversiones. La combinación de FDM con MCDM, por lo tanto, ofrece una robusta
herramienta para la investigación y la práctica empresarial, justificando la necesidad
de un análisis exhaustivo de su eficacia y aplicabilidad en comparación con los
métodos tradicionales.
I. INTRODUCCIÓN
Las organizaciones constantemente se encuentran inmersas en una serie de
problemáticas y retos que involucran la toma de decisiones para su solución, desde
aquellas a nivel operativo, hasta aquellas sistémicas de tipo gerencial, que deciden
el éxito o el fracaso de los objetivos organizacionales.
Podemos encontrar algunos ejemplos de toma de decisiones en la industria
a través de proyectos de mejora continua (Kaizen) donde un equipo de trabajo
aplicando una metodología específica es capaz de llegar a un consenso sobre la
solución a un problema que afecta la productividad; en las finanzas, se ha
demostrado una relación del uso de la información financiera y la toma de
decisiones gerenciales; en la medicina cuando a través de grupos de colaboración
multidisciplinarios se busca un diagnóstico y un tratamiento específico que sea
acertado para mejorar la salud del paciente; en la agricultura, cuando se opta sobre
qué tipo de tecnología será la más conveniente implementar para el monitoreo de
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
4
cultivos y así cumplir con la demanda esperada (Huacchillo et al., 2020; Mathenge
et al., 2022).
Cualquiera que sea el grado de complejidad, una correcta toma de decisiones
necesita de la mayor información posible de naturaleza cuantitativa y cualitativa
como estadísticos, modelos y herramientas matemáticas, grupos de trabajo y
experiencia de los colaboradores que permitan minimizar la incertidumbre al
momento de lograr un consenso.
Uno de los métodos de apoyo para la toma de decisiones de carácter
cualitativo más utilizados desde la década de los sesentas, es el Delphi (D),
desarrollado por Dalkey y Helmer (1963) cuyo nombre hace alusión al antiguo
oráculo griego Delfos que podría predecir el futuro y sus primeras aplicaciones se
encontraban en la industria de la defensa estadounidense (López-Gómez, 2018).
El propósito principal del método, consiste en establecer a un panel de
expertos, altamente calificados y especializados en una o varias áreas de estudio
para abordar y resolver un problema específico. Los expertos aportan de acuerdo a
su criterio, conocimientos sólidos para alcanzar un consenso informado y
fundamentado sobre la elección de la mejor alternativa entre un conjunto de posibles
opciones en el proceso de toma de decisiones dentro de las organizaciones.
Las características que distinguen al método son: el anonimato en las
respuestas, múltiples iteraciones de preguntas, retroalimentación controlada de las
respuestas a todos los miembros del equipo y la presentación e interpretación de
los resultados para la elección de la alternativa.
El proceso inicia con una primera ronda, en donde se solicita la información
de los expertos sobre la consulta de un tema en particular o las consecuencias que
pudiera tener determinado fenómeno organizacional. La información es recopilada
e interpretada en formato estadístico de forma general y después en particular. En
una segunda ronda, se proporciona a cada experto la información resumida,
obtenida de la primera ronda, para que pueda comparar las respuestas, en esta
etapa es posible modificar su opinión inicial. Este proceso es iterativo hasta que
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
5
exista una convergencia en el consenso que defina la elección a la posible decisión
a tomar (Belton et al., 2019; Barrios et al., 2021; Lei et al., 2023).
Sin embargo, el método presenta algunos inconvenientes en su aplicación,
como la baja convergencia en el consenso de expertos, los altos costos de recursos
de implementación y que la opinión de los expertos difícilmente puede verse
traducida a valores meramente cuantitativos, lo que no lo convierte en la
herramienta más precisa cuando se habla de la toma de decisiones multicriterio con
alto grado de incertidumbre e impacto en las organizaciones.
Una extensión al Delphi tradicional que cubre tales inconvenientes, es el
método Delphi Difuso (FDM) propuesto por Ishikawa et al. (1993), el cuál utiliza las
técnicas de conjuntos difusos desarrolladas por Zadeh (1988) logrando enfrentar la
complejidad y la ambigüedad de las respuestas, ofreciendo una alternativa para
generar un consenso a partir del grado de pertenencia de la opinión de un experto
a otro. La solidez del FDM, radica en que la opinión de los expertos es integrada,
logrando un grado de consenso, reduciendo los tiempos de investigación y los
costos en la toma de decisiones.
El FDM es una herramienta complementaria a los Métodos de Decisión
Multicriterio (MCDM), los cuales se definen como un grupo de técnicas cuantitativas
y cualitativas diseñadas para determinar la mejor alternativa considerando múltiples
criterios en el proceso de selección. Han sido aplicados en áreas como las Finanzas,
la Economía, la Investigación de Operaciones, procesos de sistemas de producción
en las empresas y Sostenibilidad Corporativa. Surgen ante los desafíos actuales de
quienes toman las decisiones que son: el evaluar un grupo de alternativas para
identificar la que mayor rendimiento tenga, clasificarlas de la mejor a la peor,
agruparlas en clases homogéneas y describir aquellas que cumplen con los criterios
establecidos. Poseen un sentido holístico sobre los métodos tradicionales, que
suelen reducir la toma de decisiones a una única alternativa basada principalmente
en un solo criterio, como, por ejemplo: el costo. Sin embargo, en las organizaciones
modernas, se deben considerar una variedad de nuevas ideas y posibles variantes
en sus decisiones, es por ello el FDM tiene una versatilidad sobre el método Delphi
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
6
porque contribuye a la toma de decisiones con diversas alternativas (Zavadskas y
Turskis, 2011; Chowdhury y Kumar, 2020; Taherdoost y Madanchian, 2023).
Es importante destacar que el FDM no tiene como objetivo desafiar los
procedimientos estadísticos o basados en modelos, ya que se ha propuesto para
aplicaciones relacionadas con situaciones de juicio y pronóstico que contengan
grados de incertidumbre. Ejemplos concretos de toma de decisiones empleando
FDM, se encuentran en: planificación de programas sociales; la creación de políticas
públicas; la evaluación de necesidades; el gasto público; mecanismos de seguridad
pública, Seguridad Vial, aplicación de tratamientos y diagnósticos en la Medicina,
obtención factores de la Transferencia Tecnológica (TT), métodos de agricultura
más efectivos, aspectos estratégicos gerenciales y la selección de mecanismos que
favorecen el desarrollo sustentable. (Padilla-Rivera et al., 2021; Danaci y Yildrim,
2023).
Conforme a lo expuesto anteriormente, se analizan las características del
método Delphi Difuso (FDM), explicando también el procedimiento a seguir para su
implementación a partir de dos fases: una fase previa que se encarga de conjuntar
a un grupo de expertos y elaborar el cuestionario y una fase de aplicación que da
lugar a la aplicación del FDM. Posteriormente, se contrastarán sus características e
implicaciones con respecto al método Delphi tradicional, argumentando de forma
precisa por qué el FDM se presenta como una herramienta alternativa adicional para
la toma eficiente de decisiones en la que existe una incertidumbre alta en las
organizaciones, buscando contribuir a la comprensión y difusión del método como
una técnica valiosa que puede ser aplicado en las Ciencias Administrativas.
II. DESARROLLO
El método es presentado en dos secciones: la primer sección o fase previa,
en la cual se integra el grupo de expertos y se prepara el cuestionario a partir de la
selección de los elementos o ítems que serán evaluados por parte del mismo grupo
de expertos. La segunda sección o fase de aplicación, consiste en la ejecución de
cinco pasos que definen al método que son: 1) Recopilación de la información. 2)
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
7
Conversión de los datos a una escala difusa. 3) Defusificación o asignación de un
peso numérico, 4) Verificación de consensos y la 5) Interpretación de los resultados.
Figura 1 Etapas para la toma de decisiones por Delphi Difuso (FDM)
Fuente: Elaboración propia adaptado de López y Proaño (2019), Danaci y Yildrim
(2023)
Fase Previa
La fase previa consiste en determinar las condiciones sobre las cuales se
desarrollará el FDM. Se selecciona al grupo de expertos y los ítems a incluir en el
cuestionario, los cuales, el mismo grupo de expertos deberá contestar.
Un experto se considera a un individuo o a un grupo de personas capaces
de ofrecer un criterio de valor acerca de una problemática dada (Baker et al., 2006).
La literatura sugiere que la conformación del grupo de expertos debe ser
heterogénea ya que integra diferentes puntos de vista. En cuanto a la cantidad de
personas que integran al grupo, Yusof et al. (2022), concluye que el número de
expertos en un estudio Delphi no es necesario que sea grande, ya que no existe
una relación fuerte entre el número de expertos y la calidad de los resultados que
se pueden generar a partir de las discusiones grupales, basta con que la selección
apropiada de ellos sea a través de sus capacidades, que exista involucramiento en
la contestación del cuestionario y que no exista conflicto de intereses evitando
sesgos.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
8
La cantidad sugerida para el proceso va para un grupo desde diez hasta
cincuenta personas, y es posible calcular del Coeficiente de Competencia Experta
(K) como herramienta que evalúa el nivel de conocimiento y experiencia de los
miembros del grupo tal cual se realiza en el método Delphi tradicional (Marín-
González et al., 2021).
Como se comentó, además de la preparación del cuestionario que será
respondido por el grupo, se recopilan una serie de elementos o ítems a evaluar. La
cantidad de estos elementos puede variar dependiendo del tema de estudio, a veces
la lista de ítems resulta ser abundante (más de diez), por lo que algunos autores
optan por clasificarlos en grupos según características en común.
Por ejemplo, para la toma de decisiones en el ámbito de la Administración de
la Innovación y la Tecnología, se pueden identificar como ítems que afectan el
desarrollo de la Innovación Abierta a: la carga del trabajo, la presión del tiempo para
brindar resultados y la falta de autonomía de las instituciones. De manera similar,
en el sector educativo, donde se requiere encontrar las causas de la falta de
adopción de herramientas digitales, se podrían tomar como ítems la falta de
capacitación, la falta de una estrategia institucional de adopción a la tecnología o
falta de presupuesto. Entonces, el grupo de expertos en la fase de aplicación se
encargará de lograr un consenso sobre aquellos elementos considerados de mayor
impacto, donde posteriormente se establecerá un plan de acción con objetivos
especificados para lograr dar un tratamiento a lo detectado (Alnoor et al., 2021;
Huang et al., 2022).
Fase de Aplicación
La finalidad de esta etapa es lograr un consenso sobre el o los ítems a
seleccionar que influirán en la toma de decisiones del problema a estudiar. La fase
de aplicación se lleva a cabo en cinco pasos que deben seguirse de forma
metodológica para lograr tal objetivo.
Paso 1. Recolección de la información
El experto llena el cuestionario diseñado en la fase anterior, el cual contiene
una serie de ítems. De acuerdo a su criterio, les asignará un grado de importancia
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
9
como lo establece la escala de Likert. La Tabla 1 muestra los valores numéricos en
la escala de Likert, asignando un número 5 si se considera que el ítem es muy
importante, un número 4 si considera que el ítem es importante, el número 3 si
considera el ítem de transferencia como neutral, el número 2 como poco importante
y el número 1 si considera al ítem sin importancia. A estas variables se les conoce
como Variables Lingüísticas (Cheng, 2000).
Es importante observar que, para cada posible respuesta del experto, le
corresponde un valor en otra escala, llamada Escala Difusa que se presenta con
tres valores específicos; un valor bajo , un valor medio y un valor alto
(Danaci y Yildrim, 2023).
Es fundamental que el coordinador encargado de la recolección de los datos
tenga una comprensión clara de los objetivos de estudio del método y de la
relevancia de cada ítem en el contexto de la investigación, por lo que se recomienda
estar presente cuando el experto llene el cuestionario para que se le brinde
orientación sobre cómo realizar la evaluación de forma correcta según lo indica el
método.
Tabla 1 Escala de Likert para cuestionario de Delphi DIfuso
Fuente: Adaptado de Danaci y Yildrim (2023)
Ponderación de Likert
Bajo (l) Medio (m)Alto (u)
Muy importante (5) 0.6 0.8 1
Importante (4) 0.4 0.6 0.8
Neutral (3) 0.2 0.4 0.6
Poco importante (2) 0 0.2 0.4
Sin importancia (1) 0 0 0.2
Escala Difusa
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
10
Figura 2 Funciones de Membresía Triangulares para Escala de Likert
Fuente: Generado con Python 3.10, adaptado de Cheng (2000), Danaci y
Yaldrim (2023)
Paso 2. Conversión de datos a una escala difusa
Esta etapa, se caracteriza por convertir los valores de las respuestas en
escala de Likert en una escala difusa. Una escala difusa se define como un conjunto
de valores, que se utilizan para medir juicios, percepciones o preferencias en
situaciones en donde la información es ambigua, imprecisa o incierta. Se emplean
frecuentemente en encuestas y cuestionarios en donde las respuestas no siempre
se ajustan a categorías claras y definidas. Por ejemplo, en lugar de responder a una
pregunta con opciones de “sí” o “no”, una escala difusa permite a los participantes
expresar grado de acuerdo o desacuerdo, matizando una respuesta que se puede
reducir en binaria (de Saa et al., 2015 ; Vonglao, 2017).
Proporciona una mayor flexibilidad, al asignar grados de pertenencia difusos
a cada categoría, es decir, el experto expresa su grado de acuerdo y desacuerdo al
momento de elegir una respuesta.
La escala de Likert Difusa que se grafica en la Figura 2 a partir de los datos
de la Tabla 1, se contempla como una alternativa eficiente a la escala tradicional de
Likert, que además se ha implementado de forma diversa en la literatura. Cabe
señalar, que el análisis difuso no se limita al uso exclusivo de esta escala, ya que
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
11
puede ser diseñada a criterio del coordinador del FDM siempre y cuando se
encuentre familiarizado con las herramientas de conjuntos difusos (Li, 2013;
Vonglao, 2017; Castaño et al., 2020).
Para ampliar la definición sobre la escala de Likert Difusa, supóngase que se
evaluará un ítem o elemento, para verificar el grado de pertenencia o membresía
existente. Inicialmente, se emplea la ponderación dada en la Tabla 1. El experto No.
1 evalúa como “importante” el ítem, entonces su valor en escala difusa
correspondiente es de . Para el mismo ítem a evaluar, el experto
No. 2, lo evalúa como “neutro” cuyo valor es . Entonces, la
representación gráfica para ambas evaluaciones se observa en la Figura 3, donde
el área de intersección representa el porcentaje de pertenencia a calcular. Se
distingue en la gráfica de la Figura 3, que el comportamiento de las respuestas y las
evaluaciones presentan una forma triangular, a esto se le conoce como Número
Triangular Difuso o Escala Triangular Difusa (TFN) (Cheng, 2000; Yusoff et al.,
2021).
Figura 3 Graficación de respuestas para “importante” y “neutral”
Fuente: Generado con Python 3.10, adaptado de López y Proaño (2019)
Paso 3. Defusificación o asignación de peso numérico
Si el grupo de expertos estuviera compuesto por cinco personas que evalúan
un ítem, se generarían cinco conjuntos de Números Triangulares Difusos (TFN)
durante el análisis. Por consiguiente, se plantea la necesidad de sintetizar estos
cinco conjuntos en un único TFN, que represente la totalidad de la información
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
12
proporcionada por el grupo de expertos. Este TFN se constituye con un valor mínimo
(), calculado como el más bajo de los cinco conjuntos, un valor medio () obtenido
mediante la media geométrica de los cinco conjuntos y un valor máximo () que se
calcula como el más alto de los cinco conjuntos. La Tabla 2 muestra un ejemplo del
cálculo del TFN único que representa la evaluación de los cinco expertos para
verificar consensos de un solo ítem.
Tabla 2 Evaluación de un ítem por medio de la escala difusa
Fuente: Elaboración propia adaptado de Danaci y Yildrim (2023)
Después de la obtención de un único TFN ponderado, se asigna un valor
numérico o peso numérico (). En el terreno de los Conjuntos Difusos se le conoce
como Crisp Value, el cual se calcula como el promedio de los valores de L, M y U.
Para el caso del ejemplo anterior, el Crisp Value () es de 0.59, este valor será de
utilidad para el paso cuatro del FDM (Hashemi et al., 2022)
(1)
Utilizando el procedimiento establecido por Cheng (2000) y empleando las
ecuaciones 1-5 mostradas a continuación, se calcula la distancia numérica del valor
hacia el conjunto correspondiente, evaluando los valores de :
Si , entonces el grado de pertenencia es
(2)
Si , entonces el grado de pertenencia es
(3)
Si , entonces el grado de pertenencia es
(4)
Si , entonces el grado de pertenencia es
(5)
Escala de Likert
Experto 1 5 0.6 0.8 1
Experto 2 5 0.6 0.8 1
Experto 3 3 0.2 0.4 0.6
Experto 4 4 0.4 0.6 0.8
Experto 5 3 0.2 0.4 0.6
0.2 0.57 1
L M U
Escala Difusa
TFN Ponderado
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
13
Sustituyendo el Crisp Value de =0.59 en las ecuaciones 1 a 5 de
pertenencia, los resultados revelan que este valor pertenece al conjunto de
importante ya que ( con una pertenencia del
mientras que tambien pertenece al conjunto de neutral (
con un de membresía.
Paso 4. Verificación de consensos
El procedimiento anterior se repite para cada uno de los ítems disponibles,
con el propósito de calcular los Crisp Values o pesos numéricos de todos ellos.
Posteriormente, se procede a discriminar de la lista de ítems a aquellos que no
lograron un consenso, esto se logra a partir de un valor de umbral o Threshold ().
Este valor de umbral puede ser calculado por cuatro aproximaciones según lo
indicado por Hashemi (2020) . Para el análisis relacionado con toma de decisiones,
se recomienda tomar en cuenta el cálculo del primer cuartil del listado de los Crisp
Values de los items como valor de umbral α, esto debido a que representa el punto
en el que el 25% de las opiniones están por los extremos y el 75% por dentro de
una Distribución Normal. Otro criterio de umbral puede ser la Regla 80/20 de Pareto.
Entonces todos los ítems cuyo Crisp Value se encuentre por debajo del
umbral no son considerados como parte del consenso. La expresión que representa
lo anterior es la siguiente:
Si el ítem forma parte del consenso
Si el ítem no forma parte del consenso
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
14
Tabla 3 Evaluación de consenso de ítems por FDM
Fuente: Elaboración propia adaptado de Danaci y Yaldrim (2023)
Para ejemplificar este punto, tómese como referencia la Tabla 3, que contiene
los pesos de diez ítems evaluados por el grupo de expertos, se puede observar que
solamente forman parte del consenso ocho de ellos al superar el valor de umbral
del primer cuartil, los dos restantes no se consideran parte del mismo.
Paso 5 Interpretación de los resultados
Una vez obtenidos los ítems considerados dentro del consenso, el equipo de
trabajo discute acerca de las posibles alternativas, considerando incluso la
ejecución de nuevas rondas que garanticen la confiabilidad del resultado, también
se somete el procedimiento a Análisis de Sensibilidad en donde se toman en cuenta
diferentes valores de umbral para observar el comportamiento de las evaluaciones.
Es posible encontrar en la literatura que el FDM va acompañado de otros métodos
Multicriterio como el Modelo Estructural Interpretativo, Proceso Analítico Jerárquico
(AHP) o TOPSIS los cuales robustecen el análisis para encontrar causa- efecto
entre los ítems analizados (Hsu et al., 2010; Wang et al., 2014; Hsu et al., 2015).
Se considera esta etapa una parte importante debido a que se establecen
planes de acción para la mejora de la organización.
Elemento evaluado Crisp Value (x) Consenso
ítem 1 0.59 Si
ítem 2 0.61 Si
ítem 3 0.57 Si
ítem 4 0.5 No
ítem 5 0.6 Si
ítem 6 0.58 Si
ítem 7 0.57 Si
ítem 8 0.53 No
ítem 9 0.62 Si
ítem 10 0.61 Si
Valor de umbral ( α) 0.57
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
15
III. CONCLUSIONES
El método Delphi Difuso (FDM), surge como una evolución del método Delphi
tradicional (D), incorporando la lógica difusa para tratar la incertidumbre y la
ambigüedad en las opiniones de los expertos. No obstante, el FDM presenta
algunas implicaciones, desafíos que vale la pena comentarse para su
implementación.
Implicaciones y Desafíos de la ejecución del FDM
Si bien el FDM representa una reducción en las iteraciones necesarias para
alcanzar el consenso, esto pudiera generar un problema de definición debido a que
una característica fundamental del método Delphi es que debe de presentarse en
múltiples iteraciones o rondas.
Autores como Saffie et al. (2016), recomiendan al momento de aplicar el
método en trabajos de investigación, realizar una comparativa entre los resultados
obtenidos por FDM y el método Delphi tradicional considerando criterios como la
precisión de las evaluaciones, el nivel o porcentaje de consenso entre los expertos,
la sensibilidad de los resultados a los cambios de parámetros del modelo, el tiempo
y recursos necesarios para la implementación de ambos métodos.
Del grupo de expertos
Respecto a la integración del grupo de expertos, el Coeficiente de
Competencia Experta (K) continúa siendo una herramienta de evaluación confiable,
pero aún contiene elementos subjetivos en su cálculo. Se recomienda considerar el
análisis con pruebas estadísticas como Análisis de Componentes Principales (PCA)
para identificar a los factores más importantes que influyen en la competencia de
los expertos, el Análisis Factorial, para la elección de expertos que representen una
diversidad de perspectivas, Análisis de Conglomerados para la selección de
expertos con características en común o la Regresión Lineal que prediga la
competencia de un experto a partir de un conjunto de variables.
Puede añadirse una primera ronda piloto para que el grupo de expertos valide
los ítems que serán integrados al cuestionario, esto evitaría que una gran cantidad
de ellos se tengan a evaluar e incluso se encuentren repetidos.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
16
De las escalas difusas
La escala de Likert Difusa emplea números triangulares debido a su
flexibilidad para lograr un consenso y también porque es la que mayor semejanza
se encuentra con la escala tradicional, pero no se limita a uso exclusivo. También
se pueden emplear otras escalas como las de forma trapezoidal, sigmoidea o
gaussiana. Incluso, es posible diseñar escalas específicas adaptadas a las
características del tipo de toma de decisiones, aunque este diseño no se aborda en
en este escrito.
El mayor impacto en los resultados que tiene el uso de la escala difusa de
Likert sobre la escala tradicional es que se permite determinar el grado de acuerdo
o desacuerdo de una respuesta, sin embargo, el instrumento aún queda sujeto a
comprobar su confiabilidad aplicando pruebas como el coeficiente de Kendall o el
coeficiente Alfa de Cronbach. Se recomienda de forma adicional diseñar una escala
distinta a la de Likert con el fin de comparar las inferencias obtenidas.
Otros de los desafíos a destacar en relación con el uso de cuestionarios
basados en escalas difusas son los siguientes: 1) su contestación requiere una
asesoría por parte del instructor, por lo que el proceso de adquisición de datos
pudiera ser más tardado que aplicando un cuestionario tradicional en escala de
Likert; 2) El coordinador debe de definir cómo se debe de calcular las distancias que
indican el grado de cercanía o de separación entre existente entre la opinión de los
expertos.
Mejoras al FDM a través de metodologías multicriterio MCDM
Se recomienda, complementar el FDM con otros métodos multicriterio en
aras de jerarquizar, correlacionar y encontrar causalidad entre las variables
integradas en los cuestionarios a continuación se definen los más representativos:
El Proceso Analítico Jerárquico (AHP) que permite asignar un peso numérico
a las variables consensuadas para determinar su importancia relativa (Liu et al.
2020). El Modelo Estructural Interpretativo (ISM) se define como un modelo gráfico
que modela las interrelaciones entre los componentes de un sistema (Armini y
Alimohammadlou, 2021).
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
17
La Técnica de Preferencia por Orden de Similitud con la Solución Ideal
(TOPSIS) se considera como una técnica multicriterio, la cual junto con AHP son las
que más se utilizan en combinación con FDM. Busca determinar tanto la solución
ideal como la no ideal, calculando la distancia más corta de las posibles alternativas
a ambas soluciones (Çelikbilek y Tüysüz, 2020). No obstante, el análisis no se limita
a estas herramientas, ya que se pueden aplicar otros criterios estadísticos o MCDM
que complementen al FDM según el criterio del investigador y del rigor matemático
que requiera la aplicación.
Algunas de las aplicaciones de los MCDM en áreas administrativas y de
negocios se encuentran el uso de AHP para la planeación estratégica para priorizar
los objetivos y las alternativas de solución, el método TOPSIS ha sido implementado
en priorizar los proveedores potenciales en función de diferentes criterios que tiene
la organización. Por su parte, el método ELECTRE ha sido eficientemente aplicado
para la evaluación de alternativas de inversión considerando los factores financieros
y no financieros. En la manufactura de productos, combinaciones de los tres
métodos anteriores han servido para evaluar la mejor alternativa de diseño basado
como criterios los costos, el rendimiento y la confiabilidad. Otras aplicaciones de los
MCDM se pueden encontrar en la jerarquización de programas sociales (Sahoo &
Goswami, 2023). A continuación, se muestra en la Tabla 4 algunos métodos MCDM
con los que se puede combinar el FDM.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
18
Tabla 4 Comparativa de los Métodos Multicriterio
Fuente: Elaboración propia adaptado de Aruldoss et al. (2013), Taherdoost &
Madanchian (2023), Sorooshian et al. (2023) y Chowdhury y Kumar (2020)
Método MCDM
Objetivo
Principal
fortaleza
Principal
Debilidad
Proceso
Analítico
Jerárquico
(AHP)
Jerarquiza las posibles
alternativas asignando
un peso numérico sobre
cada una de ellas
Genera un gráfico
que visualiza
claramente la
jerarquía de las
decisiones
Contiene
elementos
subjetivos que
cambian los
resultados
Programación
por metas
Establece objetivos
específicos medibles y
desarrolla estrategias
para alcanzarlos
minimizando recursos
Maneja una gran
cantidad de
variables y
objetivos
Las soluciones no
necesariamente
son las más
eficientes
ELECTRE
Selecciona la mejor
opción con la máxima
ventaja y el menor
conflicto en función de
varios criterios
Alta capacidad
para integrar la
subjetividad de las
opiniones
Su aplicación
consume
demasiado
tiempo
TOPSIS
Compara alternativas en
función de su distancia a
las soluciones ideales
tanto positivas como
negativas
Permite a los
tomadores de
decisiones
identificar la
alternativa
rápidamente
Sensibilidad a la
elección de los
pesos de los
criterios y a la
normalización de
los resultados
Análisis
Envolvente de
Datos (DEA)
Encuentra las unidades
que logran el mejor
rendimiento en términos
de producir más
resultados con la menor
cantidad de recursos
Se procesan
múltiples entradas
y salidas
simultáneamente
No es posible
aplicar pruebas
estadísticas para
comprobar
confiabilidad
Modelo
Estructural
Interpretativo
(ISM)
Diagrama la relación
entre los diferentes
elementos de un
problema complejo
Descompone un
problema complejo
en partes
sistemáticas para
su análisis
Depende del
juicio de expertos
para encontrar
relación entre las
variables
MICMAC
Gráfico que clasifica
alternativas según su
capacidad para influir
otras alternativas
Permite identificar
opciones que
tienen mayor
impacto en un
problema
Requiere una
cantidad
considerable de
datos
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
19
Comparativa Delphi y Delphi Difuso
El FDM ofrece varias ventajas clave sobre el método Delphi, especialmente
en el contexto de la toma de decisiones complejas. Una de las principales fortalezas
del FDM es su capacidad para integrar la incertidumbre mediante porcentajes de
pertenencia, lo que permite a los expertos, expresar niveles de acuerdo y
desacuerdo de forma más matizada. Esto reduce la cantidad de iteraciones
necesarias para alcanzar un consenso, ya que el consenso se refleja en el aumento
de los grados de pertenencia hacia una opción en particular.
A diferencia del método tradicional, que utiliza un enfoque más rígido y
presiona a los participantes hacia una convergencia de opiniones, el FDM facilita la
identificación de áreas donde el consenso es débil y promueve discusiones más
diversas.
En términos de precisión de los resultados, el FDM puede producir un análisis
más representativo al identificar variaciones sutiles en las percepciones de los
expertos. Por el contrario, en el método Delphi depende de gran medida de la
capacidad de los expertos para seleccionar dentro de opciones predefinidas, lo que
puede simplificar en exceso las respuestas a problemas complejos.
A pesar de estas ventajas, es conveniente mencionar que el FDM puede ser
complejo de implementar especialmente para los participantes que no están
familiarizados con la terminología difusa. En cambio, Delphi, al ser ampliamente
estudiado y estandarizado, es generalmente sencillo y directo, lo que lo hace
adecuado para contextos donde se requiere un consenso claro y definitivo como en
la planificación estratégica, la evaluación de proyectos y procesos de certificación.
Por otro lado, FDM es valioso en escenarios en donde las decisiones
involucran un alto grado de subjetividad, como la evaluación de tecnologías
emergentes, o políticas públicas (Batista et al., 2019). Su flexibilidad permite una
exploración más profunda de las opciones, aunque esto tambien puede incrementar
el riesgo de errores en los cálculos. La Tabla 5 resume las principales diferencias
de ambos métodos destacando su adaptabilidad para diferentes contextos.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
20
Tabla 5 Comparativa del método Delphi (D) y Delphi Difuso (FDM)
Característica
Delphi (D)
Delphi Difuso (FDM)
Objetivo
Obtener consenso entre un
grupo de expertos sobre un
tema complejo
Obtener consenso entre un
grupo cuando las
alternativas son de alto
impacto, se considera la
incertidumbre
Método
Estimación de pronósticos
basada en información
principalmente cualitativa
Toma de Decisiones
Multicriterio que emplea
Lógica Difusa para manejar
la incertidumbre
Escalas de
evaluación
Se utilizan escalas
tradicionales como Likert
Utiliza escalas difusas que
pueden ser triangulares,
trapezoidales o
gaussianas.
Manejo de
incertidumbre
Se basa en el consenso de
opiniones y las desviaciones
que pudieran tener
Se expresa un porcentaje
de consenso. Una opinión
puede pertenecer a varios
conjuntos de opiniones
Consenso e
Iteraciones
Requiere múltiples rondas
para lograr el consenso.
Se tiene consenso cuando el
grupo logra un acuerdo
mayoritario >75%
Requiere de menos rondas
de participación al aplicar
un valor de umbral lógico de
consenso.
El consenso se define como
un grado de acuerdo entre
los expertos
Tiempo y
recursos
Requiere tiempo y recursos
para la organización de las
rondas de cuestionarios.
Requiere de menos tiempo
y recursos debido a su
disminución de rondas.
Precisión
Depende de la calidad del
cuestionario, la selección de
expertos y las iteraciones
Al considerar el manejo de
incertidumbre, mejora la
precisión que Delphi
tradicional
Principal
Ventaja
Flexibilidad y capacidad para
realizar pronósticos
Mayor precisión de
resultados
Principal
Desventaja
Puede ser afectado por sesgos
individuales o grupales
Comprensión de
fundamentos de Lógica
Difusa
Fuente: Elaboración propia adaptado de Saffie et al. (2016) y Yusof et al. (2022)
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
21
Discusión
En función de lo referenciado a los autores anteriores, el FDM extiende la
perspectiva en que analizan los problemas que abarcan las Ciencias de la
Administración y los Negocios, abriendo la puerta a estudios mixtos que propicien
el contraste con los métodos estadísticos, principalmente en la toma de decisiones
estratégicas en empresas ya que puede ser implementado para evaluar estrategias
de mercado en un ambiente económico incierto, en la gestión de riesgos donde es
crucial entender y prepararse para variaciones en factores clave que podrían afectar
negativamente la organización. En la investigación de mercados, puede ser utilizado
en trabajos futuros para la obtención de consensos sobre las tendencias de
consumo, preferencias del cliente y potenciales de nuevos productos. En el ámbito
de las Tecnologías de la Información, el método puede integrarse con herramientas
de análisis de datos y Software Libre para predecir cambios en el comportamiento
del consumidor. En el tema de Transferencia Tecnológica, es un área con potencial,
permitiendo identificar los factores críticos que propicien mejores alianzas entre las
universidades y las empresas para creación de productos innovadores, o bien, en
la Gestión de Recursos Humanos para prever necesidades de capacitación y
desarrollo de talento.
La flexibilidad del método permite que los expertos expresen sus opiniones
en términos de grados de certeza, ofrece una visión más completa del problema,
guiando a mejores resultados logrando una mejor eficiencia de las organizaciones
evitando la pérdida de sus recursos.
En conclusión, el Delphi Difuso se muestra como una herramienta versátil en
la toma de decisiones que puede ser aplicado en situaciones donde las alternativas
son difíciles de discernir claramente o donde la certeza es limitada.
A pesar de que las técnicas de Lógica Difusa aún no se encuentran
ampliamente implementadas en las Ciencias Administrativas y Sociales,
representan un área de oportunidad para futuras investigaciones, invitando a la
exploración de estudios multidisciplinarios enriqueciendo la solución a problemas
complejos.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
22
REFERENCIAS
Alnoor, A., Abdullah, H., AL-Abrrow, H., Khaw, K., Al-Awidi, I., Abbas,
S., & Omrane, A. (2021). A Fuzzy Delphi analytic job demands-resources
model to rank factors influencing open innovation. Transnational Corporation
Review, 14(2), 178-192. https://doi.org/10.1080/19186444.2021.1956854
Armini, A., & Alimohammadlou, M. (2021). Toward equation structural
modeling: an integration of interpretive structural modeling and structural
equation modeling. Journal of Management Analytics, 8(4), 693-714.
https://doi.org/10.1080/23270012.2021.1881927
Aruldoss, M., Lakshmi, M., & Venkatesan, P. (2013). A Survey on Multi
Criteria Decision Making Methods and its Applications. American Journal of
Information Systems, 1(1), 31-43. https://doi.org/10.12691/ajis-1-1-5
Baker, J., Lovell, K., & Harris, N. (2006). How expert are the experts?
An exploration of the concept of ‘expert’ within Delphi panel techniques. Nurse
Researcher, 14(1), 59-70. https://doi.org/10.7748/nr2006.10.14.1.59.c6010
Barrios, M., Guilera, G., Nuño, L., & Gómez-Benito, J. (2021).
Consensus in the delphi method: What makes a decision change?
Technological Forecasting and Social Change, 163(120484), 1-10.
https://doi.org/10.1016/j.techfore.2020.120484
Batista, N., Ruilova, M., Mazacón, B., de Mora, K., Alipio, J., Palma,
V., & Escobar, J. (2019). Prospective analysis of public management
scenarios modeled by the Fuzzy Delphi method. Neutrosophic Sets and
Systems, 26(1), 114-119.
Belton, I., MacDonald, A., Wright, G., & Hamlin, I. (2019). Improving
the practical application of the Delphi method in group-based judgment: A six-
step prescription for a well-founded and defensible process. Technological
Forecasting & Social Change, 147, 72-82.
https://doi.org/10.1016/j.techfore.2019.07.002
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
23
Castaño, A., Lubiano, A., & García-Izquierdo, A. (2020). Gendered
Beliefs in STEM Undergraduates:A Comparative Analysis of Fuzzy Rating
versus Likert Scales. Sustainability, 12(15), 1-17.
https://doi.org/10.3390/su12156227
Çelikbilek, Y., & Tüysüz, F. (2020). An in-depth review of theory of the
TOPSIS method: An experimental analysis. Journal of Management
Analytics, 7(2), 281-300. https://doi.org/10.1080/23270012.2020.1748528
Cheng, C.-T. (2000). Extensions of the TOPSIS for group decision-
making under fuzzy environment. Fuzzy Sets of Systems, 114(1), 1-9.
https://doi.org/10.1016/S0165-0114
Chowdhury, P., & Kumar, S. (2020). Applications of MCDM methods
in research on corporate sustainability: A systematic literature review.
Management of Environmental Quality, 31(2), 385-405.
https://doi.org/10.1108/MEQ-12-2019-0284
Dalkey, N., & Helmer, O. (1963). An experimental application of the
Dephi method to the use of experts. Management Science, 9(3), 458-467.
https://doi.org/http://www.jstor.org/stable/2627117
Danaci, M., & Yildrim, U. (2023). Comprehensive analysis of lifeboat
accidents using the Fuzzy Delphi Method. Ocean Engineering, 278(114371),
sp. https://doi.org/10.1016/j.oceaneng.2023.114371
De Saa, S., Gil, M., González-Rodríguez, G., & López, T. (2015).
Fuzzy Rating Scale-Based Questionnaires and Their Statistical Analysis.
IEEE Transactions on Fuzzy Systems, 23(1), 111-126.
https://doi.org/10.1109/TFUZZ.2014.2307895
Hashemi, S., Ghomi, H., & Mazaheriasad, M. (2022). An Integrated
Fuzzy Delphi and Best Worst Method (BWM) for performance measurement
in higher education. Decision Analytics Journal, 4(100121).
https://doi.org/10.1016/j.dajour.2022.100121
Hashemi, S., Tavana, M., & Abdi, M. (2020). A comprehensive
framework for analyzing challenges in humanitarian supply chain
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
24
management: A case study of the Iranian Red Crescent Society. International
Journal of Disaster Risk Reduction, 42(101340).
https://doi.org/10.1016/j.ijdrr.2019.101340
Hsu, D., Shen, Y.-C., Yuan, B., & James Chou, C. (2015). Toward
successful commercialization of university technology: Performance drivers
of university technology transfer in Taiwan. Technological Forecasting &
Social Change, 25-39.
Hsu, Y.-L., Lee, C.-H., & Kreng, V. (2010). The application of Fuzzy
Delphi Method and Fuzzy AHP in lubricant regenerative technology selection.
Expert Systems with Aplications, 37, 419-425.
https://doi.org/10.1016/j.eswa.2009.05.068
Huacchillo, L., Ramos, E., & Pulache, J. (2020). La gestión financiera
y su incidencia en la toma de decisiones financieras. Universidad y Sociedad,
12(2), 356-362.
Huang, T.-Y., Chen, W.-K., Nallauri, V., & Huynh-Cam , T.-T. (2022).
Evaluating E-Teaching Adoption Criteria for Indian Educational Organizations
Using Fuzzy Delphi-TOPSIS Approach. Mathematics, 10(2175), 1-18.
https://doi.org/10.3390/math10132175
Ishikawa, A., Amagasa, M., Shiga, T., Tomizawa, G., Tatsuta, R., &
Mieno, H. (1993). The max-min Delphi method and fuzzy Delphi method via
fuzzy integration. Fuzzy Sets and Systems, 55(3), 241-253.
https://doi.org/10.1016/0165-0114(93)90251-C.
Lei, B., Janssen, P., Stoter, J., & Biljecki, F. (2023). Challenges of
urban digital twins: A systematic review and a Delphi expert survey.
Automation in Construction, 147(104716), 1-15.
https://doi.org/10.1016/j.autcon.2022.104716.
Li, Q. (2013). A novel Likert scale based on fuzzy sets theory. Expert
Systems with Applications, 40(5), 1609-1618.
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
25
Liu, Y., Eckert, C., & Earl, C. (2020). A review of fuzzy AHP methods
for decision-making with subjective judgements. Expert Systems with
Applications, 161(113738). https://doi.org/10.1016/j.eswa.2020.113738
López, B., & Proaño, G. (2019). Desarrollo de un sistema WEB para la
realización de Estudios Delphi y AHP Difusos. Escuela Politécnica Nacional
de Quito.
López-Gómez, E. (2018). El método Delphi en la investigación actual
en educación: una revisión teórica y metodológica. Educación XX1, 21(1),
17-40. https://doi.org/10.5944/educXX1.15536
Marín-González, F., Pérez-González, J., Senior-Naveda, A., & García-
Guliany, J. (2021). Validación del diseño de una red de cooperación
científicotecnológica utilizando el coeficiente K para la selección de.
Información Tecnológica, 32(2), 79-88. https://doi.org/10.4067/S0718-
07642021000200079
Mathenge, M., Sonneveld, B., & Broerse, J. (2022). Application of GIS
in agriculture in promoting evidence-Informed decision making for improving
agriculture. Sustainability, 14(16), 9974. https://doi.org/10.3390/su14169974
Padilla-Rivera, A., Barros, B., & Arcese, G. (2021). Social circular
economy indicators: Slection through fuzzy delphi method. Sustainable
Production and Consumption, 26, 101-110.
https://doi.org/10.1016/j.spc.2020.09.015.
Python Software Foundation. (2024). Python Language Reference.
Saffie, A., Shukor, N., & Rasmani, K. (2016). Fuzzy delphi method:
Issues and challenges., (págs. 1-7). Sydney.
https://doi.org/10.1109/LISS.2016.7854490
Sahoo, S., & Goswami, S. (2023). A Comprehensive Review of
Multiple Criteria Decision-Making (MCDM) Methods: Advancements,
Applications, and Future Directions. Decision Making Advances, 1(1), 25-48.
https://doi.org/10.1145/3575810
Características del Método Delphi Difuso como Extensión del Enfoque Delphi
Rodríguez-Salgado1, Ollivier- Fierro2, Valenzuela Lozoya3
26
Sorooshian, S., Tavana, M., & Ribeiro-Navarrete, S. (2023). From
Classical Interpretive Structural Modeling to Total Interpretive Structural
Modeling and Beyond: A Half-Century of Business Research. Journal of
Business Research, 157. https://doi.org/10.1016/j.jbusres.2022.113642
Taherdoost, H., & Madanchian, M. (2023). Multi-Criteria Decision
Making (MCDM) Methods and Concepts. Encyclopedia, 3(1), 77-87.
https://doi.org/10.3390/encyclopedia3010006
Vonglao, P. (2017). Application of fuzzy logic to improve the Likert
scale to measure latent variables. Kasetsart Journal of Social Sciences,
38(3), 337-344. https://doi.org/10.1016/j.kjss.2017.01.002
Wang, Y., Yeo, G.-T., & Ng, A. (2014). Choosing optimal bunkering
ports for liner shipping companies: A hybrid Fuzzy-Delphi–TOPSIS approach.
Transport Policy, 35, 358-365. https://doi.org/10.1016/j.tranpol.2014.04.009
Yusof, N., Hashim, N., & Hussain, A. (2022). A Review of Fuzzy Delphi
Method Application in HumanComputer Interaction Studies. AIP Conference
Proceedings, 2472(1), 1-7. https://doi.org/10.1063/5.0094417
Yusoff, K., Ashaari, N., Wook, T., & Ali, N. (2021). Validation of the
Components and Elements of Computational Thinking for Teaching and
Learning Programming using the Fuzzy Delphi Method . International Journal
of Advanced Computer Science and Applications, 12(1), 80-88.
Zadeh, L. (1988). Fuzzy Logic. Computer, 21(4), 83-93.
https://doi.org/10.1109/2.53
Zavadskas, E., & Turskis, Z. (2011). Multiple Criteria Decision Making
(MCDM) Methods in Economics: An Overview. Techological and Economic
Development of Economy, 17(2), 397-427.
https://doi.org/10.3846/20294913.2011.593291
